Hidden Markov graphical models with state-dependent generalized hyperbolic distributions
具有状态依赖广义双曲分布的隐马尔可夫图模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建模金融时间序列及由潜在马尔可夫状态驱动的参数变化。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具有状态依赖广义双曲分布的隐马尔可夫图模型
- 研究问题
- 在不同市场状态下，如何刻画金融收益的条件相关结构及其随时间变化的连接程度，同时容纳金融序列的分布特征？
- 方法与思路
- 作者令广义双曲分布参数随潜在马尔可夫链变化，利用位置尺度混合表示构建带 L₁ 惩罚的 EM 算法估计精度矩阵。
- 材料陈述的贡献
- 摘要称方法生成状态特定的条件相关图，并通过多种模拟及二〇一七至二〇二三年的市场、加密资产和商品数据应用展示。
- 阅读关注点
- 应核对市场状态的识别、稀疏惩罚选择与分布设定，明确条件相关图的统计解释，以及状态数量和估计的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明估计误差或风险预测能力，条件相关边不能直接解释为因果边。
原文摘要
In this paper we develop a novel hidden Markov graphical model to investigate time-varying interconnectedness between different financial markets. To identify conditional correlation structures under varying market conditions and accommodate stylized facts embedded in financial time series, we rely upon the generalized hyperbolic family of distributions with time-dependent parameters evolving according to a latent Markov chain. We exploit its location-scale mixture representation to build a penalized EM algorithm for estimating the state-specific sparse precision matrices by means of an $L_1$ penalty. The proposed approach leads to regime-specific conditional correlation graphs that allow us to identify different degrees of network connectivity of returns over time. The methodology's effectiveness is validated through simulation exercises under different scenarios. In the empirical analysis we apply our model to daily returns of a large set of market indexes, cryptocurrencies and commodity futures over the period 2017-2023.